建站
咨詢
售后
建站咨詢
新聞中心
本文介紹了10門相關課程，涵蓋了機器學習入門、深度學習和自然語言處理等，希望對你的學習有所幫助。
松江網(wǎng)站建設公司創(chuàng)新互聯(lián),松江網(wǎng)站設計制作，有大型網(wǎng)站制作公司豐富經(jīng)驗。已為松江上1000家提供企業(yè)網(wǎng)站建設服務。企業(yè)網(wǎng)站搭建\外貿(mào)網(wǎng)站建設要多少錢，請找那個售后服務好的松江做網(wǎng)站的公司定做！
[[266664]]
圖片來源：pexels
本系列課程的提供者有：Delta Analytics、作家兼培訓師Aurélien Geron、威斯康星大學麥迪遜分校、AI研究員Goku Mohandas、滑鐵盧大學、新加坡國立大學和英屬哥倫比亞大學等。
來源： Deep Unsupervised Learning Spring(加州大學伯克利分校)
1. 機器學習的基礎
傳送門：http://www.deltanalytics.org/curriculum.html (Delta Analytics)
本課講解的是一些基本的建模理論，是成為一名合格的程序員所必備的知識。每個版塊的課程都側(cè)重于實用示例，旨在向讀者介紹實踐技巧以及用于模型數(shù)據(jù)的強大算法(其實非常簡單)。
2. 使用TensorFlow 2和Keras進行深度學習
傳送門：https://github.com/ageron/tf2_course (Aurélien Geron)
在這個課程里，包含用TensorFlow 2和Keras進行深度學習的訓練。而習題與詳解由Jupyter Notebooks呈現(xiàn)。
警告：TensorFlow 2.0預覽版會有bug，可能與最終的2.0版本不完全相同。但愿這段代碼在TF 2出來后可以正常運行。
3. 深度學習
傳送門：http：//pages.stat.wisc.edu/~sraschka/teaching/stat479-ss2019/(威斯康星大學麥迪遜分校)
本課程的重點是理解人工神經(jīng)網(wǎng)絡和深度學習算法(在基本層面討論這些方法背后的數(shù)學原理)，并用代碼實現(xiàn)網(wǎng)絡模型，以及將這些模型應用于實際數(shù)據(jù)集。所涉及的主題包括——用于圖像分類和目標檢測的卷積神經(jīng)網(wǎng)絡、用于建模文本的循環(huán)神經(jīng)網(wǎng)絡、以及用于生成新數(shù)據(jù)的生成對抗網(wǎng)絡。
4. 實用AI
傳送門：https://github.com/GokuMohandas/practicalAI (Goku Mohandas)
該課會講解學習和使用機器學習的實用技巧，幫助程序員能夠利用機器學習從數(shù)據(jù)中獲取有價值的信息。
- 使用PyTorch實現(xiàn)基本的ML算法和深度神經(jīng)網(wǎng)絡。
- 在瀏覽器上運行所有東西，不需要進行任何Google Colab設置。
- 學習面向?qū)ο蟮哪転楫a(chǎn)品編碼的ML實用教程，而不僅僅是學習書面教程。
5. 深度無監(jiān)督學習
傳送門：https://sites.google.com/view/berkeley-cs294-158-sp19/home (加州大學伯克利分校)
本課程涉及了兩個不需要標記數(shù)據(jù)的深度學習領域：深度生成模型和自我監(jiān)督學習。生成模型領域的最新進展有助于對高維原始數(shù)據(jù)(如自然圖像、音頻波形和文本語料庫)進行逼真的建模。自我監(jiān)督學習的發(fā)展縮小了監(jiān)督表征學習與無監(jiān)督表征學習在微調(diào)不可見任務方面的差距。本課程將介紹這些主題的理論基礎以及最新啟用的應用程序。
6. 深度學習簡介
傳送門：http://courses.d2l.ai/berkeley-stat-157/index.html (加州大學伯克利分校)
本課程介紹了深度學習的實際應用，包括理論動機以及實際操作方法。另外，還介紹了多層感知器、反向傳播、自動微分和隨機梯度下降。此外，本課程用卷積網(wǎng)絡來處理圖像，從簡單的LeNet到最新的ResNet高精度模型體系結(jié)構(gòu)。其次，文中還討論了序列模型和循環(huán)網(wǎng)絡，如LSTMs，GRU和注意機制。本課程強調(diào)高效實踐、優(yōu)化和可擴展性，例如擴展到多個GPU和多臺機器。本課程的目標是使學員獲得現(xiàn)代非參數(shù)估計所需的理解力和實踐能力。
7. 強化學習
傳送門：https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/goals.html(滑鐵盧大學)
本課程向?qū)W員們講解如何設計算法，使機器能進行強化學習。監(jiān)督學習狀態(tài)下，機器從含有正確決策的示例中學習;非監(jiān)督學習狀態(tài)下，機器從數(shù)據(jù)中發(fā)現(xiàn)模式來學習。而在強化學習狀態(tài)下，機器從部分、隱式和延遲反饋中學習，順序決策任務需要機器反復與環(huán)境或用戶交互，強化學習對執(zhí)行這一任務起到很大幫助。強化學習的應用包括機器人控制、自動駕駛汽車、游戲、會話代理、輔助技術、計算金融、運籌學等。
8. 深度學習在自然語言處理中的應用
傳送門：https://www.comp.nus.edu.sg/~kanmy/courses/6101_1810/ (新加坡國立大學)
本課程參考于CS 224N《自然語言處理中的深度學習》——斯坦福大學的Richard Socher教授的課程。經(jīng)Socher教授許可，本課照搬了他的課程模式和文獻選擇。
9. 自然語言處理的應用
傳送門：http://people.ischool.berkeley.edu/~dbamman/info256.html (加州大學伯克利分校)
本課程探討了將自然語言處理作為探索和推理數(shù)據(jù)化文本的方法，尤其側(cè)重于NLP的應用方面——創(chuàng)新使用Python中現(xiàn)有的NLP方法和庫，而不是探索其核心算法。
這是一門應用性課程，每個課程都包括簡短講解環(huán)節(jié)和用Jupyter Notebooks當堂實驗環(huán)節(jié)(大約各占50%)。學員將在課堂上進行大量編程，并與其他學員和教師進行小組合作。學員必須為每節(jié)課做好準備，并在課前提交準備材料，考勤有硬性要求。
10. 機器學習講座
傳送門：https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/ (英屬哥倫比亞大學)
這門課程資料是UBC大學一位教授整理的關于機器學習的資料合集，包括80多個講座的材料，涉及了大量與機器學習相關的話題。各個主題中的符號相當一致，這使得其關聯(lián)清晰可見，并且各主題按難度排序(難度遞增，并且所有概念都有明確定義)。
網(wǎng)站名稱：速看！十大免費機器學習課程已經(jīng)給你備好了
網(wǎng)頁鏈接：http://m.5511xx.com/article/cdpocec.html
